近日，清华大学医疗管理学院姜楠副教授与上海科技大学生物医学工程学院李远宁研究员联合团队，在数字健康领域期刊 npj Digital Medicine（IF 15.1，JCR Q1）发表题为 Wearable EEG devices in the detection of mild cognitive impairment: a systematic review 的研究论文。
该研究基于纳入21项研究、涵盖16种可穿戴EEG设备，系统评估了其在轻度认知障碍（MCI）检测中的整体性能，归纳提出在分类性能、便携性与经济可及性之间实现权衡优化的七项关键设计要素，并进一步提出八项方法学规范建议，为可穿戴EEG从实验室向社区及基层医疗场景转化提供了重要循证依据。
清华大学2024级博士生何婵婵为论文第一作者，清华大学医疗管理学院姜楠副教授与上海科技大学生物医学工程学院李远宁研究员为共同通讯作者。
1. 纳入研究的基本特征与分类性能
本研究纳入2019—2025年间来自8个国家的21项研究，涉及16种可穿戴脑电设备及1660名参与者（轻度认知障碍828例，健康对照832例）。设备价格区间为200—6289美元，仅43.8%获得医疗器械认证。在设备参数方面，干电极占50%，75%采用固定电极布局，采样率以256Hz最为常见。
桑基图，展示了可穿戴脑电采集系统各项技术规格的组合分布情况
在MCI分类性能方面，分类准确率为46%—95%，中位区间为74%—85%。不同研究间差异显著，主要源于设备参数、采集范式、信号处理及分类算法的系统性异质性，提示亟需建立标准化设计与评价体系。
21项研究中可穿戴脑电图检测MCI的分类性能
2. 七大关键设计要素：分类性能、便携性与经济可及性的三维权衡
研究指出，可穿戴EEG系统实现真实世界应用的关键，并非单一追求分类准确率的提升，而在于在“分类性能—便携性—经济成本”三者之间实现协同优化。基于对现有设备技术架构及EEG信号处理全流程的系统分析，研究进一步归纳提出七项关键设计要素：
可穿戴脑电图在MCI筛查中实现分类性能、便携可用性与经济可及性三维权衡的关键设计要素
① 中等密度通道布局（Moderate channel density）：4–8通道可实现性能与成本的最优平衡；超过8通道后性能提升趋于饱和，而1–3通道显著降低准确率。
② 额顶叶电极重点覆盖（Frontal and parietal electrode placement）：优先布局额叶与顶叶区域，可更有效捕获执行控制与工作记忆相关异常信号，在提升检测精度的同时兼顾设备便携性。
③ 适老化多维认知任务（Elderly-friendly multi-domain tasks）：采用覆盖注意力、工作记忆等多认知域的任务范式，相较静息态更有利于特征提取；同时通过简化任务设计提升老年用户依从性与数据质量。
④ 自适应信号预处理（Adaptive preprocessing）：针对真实环境中的运动伪迹干扰，需匹配特征类型选择滤波策略，以保障低通道条件下的信号质量。
⑤ 多维脑电特征提取（Multi-domain feature extraction）：融合频谱、非线性及功能连接等多域特征，可更全面表征脑网络异常，其性能优于单一特征。
⑥ 集成学习分类器（Ensemble classifiers）：通过软投票等集成策略可稳定提升分类性能，并增强模型泛化能力。
⑦ 多模态数据融合（Multimodal integration）：融合心率变异性、手写运动学、步态等低成本数据，在不显著增加成本的前提下进一步提升诊断性能。
3. 制约真实世界应用的“六大系统性挑战”
尽管可穿戴EEG在轻度认知障碍筛查中展现出一定应用潜力，但系统性分析表明，其从实验室走向真实世界应用仍面临多重挑战：
可穿戴脑电图在MCI检测中面临的六大挑战
① 设备异质性高（Device differences）：纳入的可穿戴脑电设备在技术规格透明度、硬件设计及价格方面差异显著，仅43.8%获得医疗器械认证，且多数设备并非专为老年认知评估设计，导致研究结果缺乏可比性。
② 采集协议缺乏统一（Lack of standardized protocols）：现有EEG采集范式差异较大，静息态、任务态及混合方案并存，缺乏标准化任务体系，难以在信号敏感性与老年受试者依从性之间实现平衡。
③ 信号质量与伪迹干扰（Signal quality and artifacts）：设备在非受控环境中易受干扰，现有研究对人工伪迹识别依赖较高，且数据分段时长缺乏统一规范，限制了自动化与规模化应用。
④ 生物标志物开发不足（Biomarker challenges）：现有研究多局限于频谱慢化及非线性信号复杂度等常规特征，而对跨频耦合（CFC）、动态相位同步及基于图论的脑网络功能连接等反映脑系统级重组的高阶交互指标探索不足，且多为横断面设计，缺乏纵向验证。
⑤ 算法与瓶颈（Algorithmic barriers）：传统机器学习方法（如支持向量机、随机森林）存在过拟合风险；深度学习虽具潜力，但受限于样本量普遍较小（81.0%的研究样本量<100），且面临模型可解释性不足的问题。
⑥ 模型验证与评估不足（Validation and performance issues）：小样本研究中十折交叉验证易高估模型泛化能力，多数研究仅报告准确率，忽视F1值、敏感性及AUC等指标，难以全面反映模型在不平衡数据下的真实性能。
4. 八项方法学建议：面向真实世界应用的规范框架
针对当前研究样本量偏小、采集协议不统一、缺乏客观生物学验证等局限，研究团队提出八项核心方法学建议：
基于可穿戴脑电图的 MCI 检测未来研究设计的概念框架
① 统一诊断框架：规范蒙特利尔认知评估量表截断值，引入神经影像或脑脊液生物标志物确认诊断，遵循相关国际指南诊断标准。
② 提升样本多样性：扩大样本量，拓展社区和基层医疗网络的招募渠道，严格匹配年龄、性别和受教育程度等混杂因素。
③ 优化设备技术规范：推行医疗器械认证（中国NMPA认证，欧盟CE标志、美国FDA认证），建立覆盖采样率、电极阻抗和信噪比的标准化报告框架。
④ 标准化采集范式：开发面向MCI筛查的标准化脑电信号采集任务，并探索虚拟现实等新型范式以提升真实场景适用性。
⑤ 规范数据处理流程：建立神经生理导向的滤波与特征提取策略，以淀粉样蛋白/磷酸化tau蛋白或脑脊液生物标志物进行交叉验证，推进可解释深度学习模型的应用。
⑥ 开展真实世界外部验证：在独立队列和社区初级保健场景中评估真实场景适用性与临床可行性。
⑦ 纳入成本效益分析：综合评估设备采购、运维及人员培训成本，为规模化部署提供卫生经济学依据。
⑧ 完善研究报告规范：参照临床试验报告统一标准建立结构化报告模板，鼓励阴性结果公开发表以减少发表偏倚。
5. 研究启示——技术可行≠真实世界可用：数字筛查技术的转化鸿沟
可穿戴脑电图的核心价值在于将认知健康的早期监测下沉至社区，打破神经内科专科资源壁垒。但本综述发现现有研究多聚焦实验室条件下的高分类准确率，其多依赖高密度通道、复杂多模态与高算力算法，导致成本与部署门槛较高，难以适配基层“低成本、易操作、快部署”的需求。此外，纳入的研究普遍缺乏对老年群体佩戴舒适度、任务依从性以及非专业人员操作可行性的系统评估 。从医疗管理视角看，若技术难以被目标人群持续接受与使用，其实验室中的高准确率将难以转化为实际应用价值。
因此我们呼吁，未来的研究应将实施科学视角前置于可穿戴技术的开发阶段。不仅要系统评估设备在真实使用环境中的依从性与接受度，更应引入卫生经济学框架，验证其在分级诊疗体系中的部署成本与效益 。唯有技术研发、临床验证与卫生政策形成协作共识，可穿戴数字技术才能真正跨越从“实验室可行”到“社区可用”的转化鸿沟，为认知障碍早期筛查提供兼具科学效度与实践可及性的系统性解决方案。
文章信息：Chanchan He, Xiru Yu, Yuhe Zhang, Yuanning Li & Nan Jiang. Wearable EEG devices in the detection of mild cognitive impairment: a systematic review. npj Digital Medicine. 2026;9:265. https://doi.org/10.1038/s41746-026-02342-w
科研动态
